「穿越」成真?科学家造出首个「虫洞」,登Nature封面

人工智能 新闻
这项史无前例的实验探索了「时空」以某种方式从量子信息中出现的可能性,尽管该工作的解释仍然存在争议。

作为生活在三维世界里的人,我们似乎都思考过一个问题:时空穿越是可以实现的吗?

1916 年,奥地利物理学家 Ludwig Flamm 首次提出了「虫洞(wormhole)」的概念,1930 年代由爱因斯坦及纳森 · 罗森在研究引力场方程时假设黑洞与白洞通过虫洞连接,因此「虫洞」又被称作「爱因斯坦—罗森桥」。「虫洞」被认为是宇宙中可能存在的「捷径」,物体通过这条捷径可以在瞬间进行时空转移。然而,科学家们一直无法证实虫洞的客观存在。

现在,科学家们创造了有史以来第一个虫洞,研究论文登上了《Nature》杂志的封面。

图片

论文地址:https://www.nature.com/articles/s41586-022-05424-3

虫洞就像一个全息图,由存储在微型超导电路中的量子比特信息或「qubit」组成。该研究通过操纵量子比特,成功通过虫洞发送了信息。

这项研究是由加州理工学院物理学教授 Maria Spiropulu 领导的,研究团队使用谷歌的量子计算机 Sycamore 实现了一种新型的「虫洞隐形传态协议」。

图片加州理工学院物理学家 Maria Spiropulu 。图源:量子杂志。

全息原理是基于黑洞的量子性质提出的一种基本原理,涉及基础物理学、量子力学和广义相对论。自 1930 年代以来,物理学家一直在努力调和这些互不相干的理论。1990 年代以来全息原理在两个框架之间提出了数学等价或「对偶性」。全息原理认为广义相对论描述的弯曲时空连续体实际上是一个伪装的粒子量子系统。时空和引力从量子效应中产生,就像 3D 全息图从 2D 模式中投射出来一样。

而 Spiropulu 等人进行的这项新实验证实:我们可以在量子计算机中控制量子效应,可以产生我们期望在相对论中看到的现象——虫洞。 

需要明确的是,与普通的全息图不同,虫洞不是我们可以看到的。虫洞的主要开发者、哈佛大学的共同作者 Daniel Jafferis 认为:虽然我们的研究成果可以被认为是「真实时空的 filament」传送协议,但它不是我们和 Sycamore 计算机所在的同一现实世界的一部分。全息原理表明,这两种现实——有虫洞的现实和有量子比特的现实——是同一物理学的不同版本,但如何概念化这种二元性仍然是个谜。

对于研究结果的基本含义,科学界可能会有各种不同的意见。但至关重要的是,实验中的全息虫洞由与我们所在宇宙的时空不同的时空组成。该实验是否进一步证明了我们居住的时空也是全息的,这一点值得商榷。

Jafferis 说:「我认为宇宙中的引力确实是从一些量子比特中产生的,就像这个一维虫洞是从 Sycamore 芯片中产生的一样。但我们还不能完全确定,我们仍在努力探索。」

背景

AdS/CFT 的对应关系是在一系列由问题引起的探究结束时发现的。在一个单一的空间区域内,能容纳的最大信息量是多少?如果有人问工程师,一个数据中心可能储存多少信息,答案很可能是「这取决于其中内存芯片的数量和类型」。但令人惊讶的是,数据中心内的东西最终并不那么重要。如果人们把越来越多的内存芯片和越来越密集的电子设备塞进数据中心,那么它最终会坍缩成一个黑洞,消失在事件视界(event horizon)后面。

当雅各布 · 贝肯斯坦和斯蒂芬 · 霍金等物理学家试图计算黑洞的信息含量时,他们惊讶地发现,它是由事件视界的面积给出的,而不是由黑洞的体积。这看起来就像黑洞内部的信息被写在了事件视界上。具体来说,一个黑洞的事件视界可以用 A 个微小单位的面积(每个单位称为「普朗克面积」,为 2.6121×10^-70 平方米)来铺设,最多有 A/4 比特的信息。这个极限被称为「贝肯斯坦 - 霍金边界」。

这一发现表明,一个区域所能容纳的最大信息量未必与它的体积成正比,而是与该区域边界的表面积成正比,这暗示了量子信息与我们日常经验中的三维空间世界之间的一种有趣的关系。这种关系已被「它来自量子比特」(It from qubit)这一短语所概括,描述了物质(它)如何从量子信息(量子比特)中出现。

虽然对普通时空来说,正式确定这种关系是困难的,但最近的一项研究取得了具有双曲几何的假想宇宙的显著进展,被称为「反德西特空间」(anti-de Sitter space),其中量子引力理论的构建更加自然。

在反德西特空间中,对有引力作用的空间体积的描述,可以被认为是在包围该体积的边界上编码的:空间内的每个物体在边界上都有相应的描述,反之亦然。这种信息的对应关系被称为「全息原理」,这是一个受贝肯斯坦和霍金的观察启发的通用原理。

图片

AdS/CFT 的对应关系使物理学家能够将空间中的物体与表面上相互作用的量子比特的特定集合联系起来。也就是说,边界的每个区域(在量子信息中)都编码了时空中某个区域的内容,这样一来,任何给定位置的物质都可以由量子信息「构建」出来。这使得量子处理器可以直接与量子比特一起工作,同时提供对时空物理学的洞察力。通过仔细定义量子计算机的参数来模拟一个给定的模型,我们就可以研究黑洞,甚至更进一步研究两个相互连接的黑洞——一种被称为「虫洞」的配置,或「爱因斯坦 - 罗森桥」。

实验室中的量子引力

谷歌的研究者计划在 Sycamore 处理器上实现这些想法,他们构建了一个与可穿越虫洞对等的量子系统。通过全息原理从量子信息语言转化为时空物理学,该实验让一个粒子落入虫洞的一边,观察它在另一边出现。

在最近的研究中,Daniel Jafferis、Ping Gao 和 Aron Wall 证明了可穿越虫洞的可能性。虫洞长期以来一直是科幻小说的主题,但一个「凭想象」构建的虫洞会在穿过它的粒子上坍缩。

研究者表明:负能量的冲击波,即以光速传播的时空变形,可以解决这个问题,它将虫洞撑开足够长的时间使其可以从中穿越。可穿越虫洞中负能量的存在类似于卡西米尔效应中的负能量,即真空能量将紧密间隔的板块推到一起。在这两种情况下,量子力学允许空间中某一特定位置的能量密度为正或负。另一方面,如果虫洞经历了一个正能量的冲击波,就不会有信息被允许通过。

用全息原理来创造一个虫洞的最简单应用需要很多很多的量子比特——事实上,要想接近理论物理学家给出的铅笔和纸张的解决方案,就需要非常多的量子比特。随着量子比特数量的减少,还需要额外的修正,而这些修正在今天仍然不为人所知。要在数量有限的量子计算机上建立一个可穿越的虫洞,需要新的思路。

研究者之一 Zlokapa 采用深度学习的思路设计了一个小型的量子系统,保留了引力物理学的关键方面。神经网络是通过反向传播进行训练的,这种方法通过直接计算网络各层的梯度来优化参数。为了提高神经网络的性能,防止其对训练数据集过拟合,机器学习研究者采用了大量的技术,比如稀疏化试图通过将尽可能多的权重设置为零来限制网络中的信息细节。

图片Alex Zlokapa 是麻省理工学院的一名研究生,他在本科时就加入了虫洞项目。在研究中,他找到了一种方法来简化虫洞协议,使其足以在谷歌的量子计算机上运行。图源:量子杂志。

同样,为了创建虫洞,研究者从一个大的量子系统开始,把它当作一个神经网络。反向传播更新了系统的参数以保持引力特性,而稀疏化减少了系统的大小。他们应用机器学习来学习一个系统,只保留了一个关键的引力特征:使用负能量冲击波的重要性。训练数据集比较了粒子穿越一个用负能量撑开的虫洞和用正能量塌缩的虫洞的动态。通过确保学到的系统保留这种不对称性,他们得到了一个与虫洞动力学一致的稀疏模型。

图片

研究者们对新的量子系统进行了许多测试,以确定它是否表现出超越不同能量冲击波所引起特征的引力行为。例如,虽然量子力学效应能以多种方式在量子系统中传递信息,但在时空中传播的信息——包括通过虫洞——必须是因果一致的。这一点和其他特征在经典计算机上得到了验证,证实了量子系统的动力学与通过全息原理辞典中的引力解释是一致的。

将可穿越虫洞作为实验在量子处理器上实现是一个异常微妙的过程。跨越量子比特的信息传输的微观机制是高度混乱的:想象一滴墨水在水中旋转。当一个粒子落入虫洞时,它的信息会被涂抹在全息图的整个量子系统中。为了使负能量冲击波发挥作用,信息的扰乱必须遵循一种特殊的模式,即所谓的「完美尺寸缠绕(perfect size winding)」。

在粒子撞上负能量冲击波后,混乱的模式有效地反向进行:当粒子从虫洞中出现时,就好像墨滴通过完全撤消其原来的湍流扩散而重新组合在一起。如果在任何一个时间点上,发生了一个小错误,混沌动力学就不会自我撤消,粒子也就无法通过虫洞了。

图片

在 Sycamore 量子处理器上,研究者测量了当应用负能量和正能量冲击波时,有多少量子信息从系统的一侧传递到另一侧。他们观察到两种能量之间有轻微的不对称性,显示出可穿越虫洞的关键特征。由于该协议对噪声的敏感性,Sycamore 处理器的低错误率对测量信号至关重要;即使有 1.5 倍的噪声,信号也会被完全掩盖。

展望

引力只是量子计算机探索复杂物理理论的独特能力的一个例子:量子处理器可以提供对时间晶体、量子混沌和化学的洞察力。这项虫洞动力学的工作,代表了使用量子处理器发现基本物理学的一步。

随着量子设备的不断改进,更低的错误率和更大的芯片将允许研究者们对引力现象进行更深入的探测。与记录周围世界引力数据的实验不同,量子计算机提供了一个探索量子引力理论的工具。未来,量子计算机将有助于发展对未来量子引力理论的理解,超越目前的模型。

责任编辑:张燕妮 来源: 机器之心
相关推荐

2012-12-06 15:36:55

CIO

2022-04-24 14:05:02

人工智能深度学习量化

2017-08-04 15:53:10

大数据真伪数据科学家

2019-08-02 09:25:57

机器人人工智能系统

2012-02-08 14:48:31

光纤

2023-03-29 14:58:04

GPT-4技术

2022-11-03 14:13:24

腾讯科学家

2018-12-24 08:37:44

数据科学家数据模型

2024-08-21 17:12:28

数据训练

2023-10-10 13:50:00

AI研究

2022-09-19 15:53:20

AI图片

2012-12-26 10:51:20

数据科学家

2018-10-16 14:37:34

数据科学家数据分析数据科学

2012-06-12 09:33:59

2023-05-23 09:34:16

科学家AI

2022-04-12 15:05:22

机器人研究人工智能

2018-02-28 15:03:03

数据科学家数据分析职业

2020-03-20 14:40:48

数据科学Python学习

2020-04-09 15:32:20

数据科学AutoML代智能

2016-04-11 14:15:06

数据科学数据挖掘工具
点赞
收藏

51CTO技术栈公众号